基于大數(shù)據(jù)時(shí)代的計(jì)算機(jī)信息處理技術(shù)淺析

◆唐和卿

?

基于大數(shù)據(jù)時(shí)代的計(jì)算機(jī)信息處理技術(shù)淺析

◆唐和卿

（甘肅鋼鐵職業(yè)技術(shù)學(xué)院 甘肅735100）

人們大量使用手持終端設(shè)備接入互聯(lián)網(wǎng)，產(chǎn)生了龐大的數(shù)據(jù)量，這些數(shù)據(jù)已經(jīng)成為信息社會(huì)的巨大財(cái)富，同時(shí)也帶來了數(shù)據(jù)篩選和數(shù)據(jù)安全方面的巨大挑戰(zhàn)。數(shù)據(jù)篩選即數(shù)據(jù)可用性問題成為大數(shù)據(jù)的重要挑戰(zhàn)之一。大數(shù)據(jù)的價(jià)值并非數(shù)據(jù)本身，而是由大數(shù)據(jù)所反映的“大決策”，“大知識(shí)”，“大問題”。近年來，大數(shù)據(jù)可用性的研究已經(jīng)取得了一定成果，而計(jì)算機(jī)信息處理技術(shù)的發(fā)展就是要提高數(shù)據(jù)可用性，本文研究了大數(shù)據(jù)時(shí)代信息處理技術(shù)，供讀者參考。

大數(shù)據(jù)；靜態(tài)數(shù)據(jù)；流式數(shù)據(jù)；數(shù)據(jù)挖掘

1 大數(shù)據(jù)時(shí)代的計(jì)算機(jī)信息處理技術(shù)概述

大數(shù)據(jù)蘊(yùn)含著巨大的價(jià)值，可以從中獲取豐富的信息，對(duì)改善和預(yù)測(cè)人們的生產(chǎn)生活，更加深入地認(rèn)識(shí)和控制物理世界具有重要的戰(zhàn)略意義。但隨著各類信息數(shù)據(jù)的爆炸性增長(zhǎng)，數(shù)據(jù)質(zhì)量良莠不齊，部分?jǐn)?shù)據(jù)呈現(xiàn)低價(jià)值性而數(shù)據(jù)整體呈現(xiàn)高價(jià)值性，劣質(zhì)數(shù)據(jù)的大量涌現(xiàn)，極大地降低了數(shù)據(jù)的可用性，使數(shù)據(jù)之間的關(guān)聯(lián)性更加復(fù)雜。

大數(shù)據(jù)主要有三個(gè)來源：（1）互聯(lián)網(wǎng)上的數(shù)據(jù)庫(kù)資源；（2）各種科學(xué)實(shí)驗(yàn)與觀測(cè)數(shù)據(jù)；（3）物理信息系統(tǒng)，如智能電網(wǎng)，智慧城市等。

2 大數(shù)據(jù)的處理方式：

2.1 靜態(tài)數(shù)據(jù)的處理

批量處理：主要操作大容量靜態(tài)數(shù)據(jù)集，并在計(jì)算過程完成后返回結(jié)果。常用于對(duì)歷史數(shù)據(jù)進(jìn)行分析，不適合對(duì)實(shí)時(shí)性要求較高的場(chǎng)合。

特征：一、數(shù)據(jù)體量巨大；二、數(shù)據(jù)精度高；三、數(shù)據(jù)價(jià)值密度低，例如監(jiān)控?cái)?shù)據(jù)，數(shù)據(jù)始終存儲(chǔ)在某種類型的持久存儲(chǔ)位置中。目前的主要應(yīng)用為Apache Hadoop，專用于批處理的處理框架。Hadoop（集群）——大數(shù)據(jù)框架，用于由通用硬件構(gòu)建的大型集群上運(yùn)行應(yīng)用程序。類似于CPU進(jìn)程被分解為多個(gè)線程的操作，它的計(jì)算任務(wù)會(huì)被分割成小塊運(yùn)行在不同的節(jié)點(diǎn)上，每個(gè)小塊可能被多次運(yùn)行，實(shí)現(xiàn)了Mapreduce（分布式計(jì)算層）的編程范型。它提供了分布式存儲(chǔ)（文件）系統(tǒng)HDFS，數(shù)據(jù)被存儲(chǔ)在計(jì)算節(jié)點(diǎn)上以提供極高的跨數(shù)據(jù)中心聚合帶寬。基本步驟如下：

（1）從HDFS文件系統(tǒng)讀取數(shù)據(jù)集；（2）拆解數(shù)據(jù)集并按需分配至所有可用節(jié)點(diǎn)；（3）計(jì)算節(jié)點(diǎn)上的數(shù)據(jù)子集，中間態(tài)重新進(jìn)入HDFS；（4）按鍵分組重新分配中間態(tài)結(jié)果；（5）匯總節(jié)點(diǎn)計(jì)算的結(jié)果并對(duì)每個(gè)鍵的值進(jìn)行還原；（6）計(jì)算的最終結(jié)果重新寫入HDFS。

這種方式對(duì)每個(gè)任務(wù)需要多次執(zhí)行讀取和寫入操作，速度較慢，對(duì)持久存儲(chǔ)依賴嚴(yán)重。MapReduce可以處理來自服務(wù)器磁盤空間的龐大數(shù)據(jù)集，意味著相比其他技術(shù)，MapReduce可以在硬件上直接運(yùn)行，它的運(yùn)行不需要大容量的內(nèi)存支持[1]。MapReduce的縮放能力極高，對(duì)包含數(shù)萬個(gè)節(jié)點(diǎn)的應(yīng)用也能輕松應(yīng)對(duì)。如今圍繞Hadoop已經(jīng)形成了遼闊的生態(tài)系統(tǒng)，Hadoop集群本身也經(jīng)常被用作其他軟件的組成部件。很多其他處理框架和引擎通過與Hadoop集成也可以使用HDFS和YARN（集群資源管理器）。

典型應(yīng)用實(shí)例：一、社交網(wǎng)絡(luò)；二、電子商務(wù)；三、搜索引擎；四、物聯(lián)網(wǎng)；五、云計(jì)算。

2.2 對(duì)在線流式數(shù)據(jù)的處理

流式數(shù)據(jù)的處理，完成數(shù)據(jù)的動(dòng)態(tài)清洗，格式處理。流式數(shù)據(jù)的特點(diǎn)：數(shù)據(jù)連續(xù)不斷，來源眾多，格式復(fù)雜，物理順序不一，數(shù)據(jù)的價(jià)值密度低，對(duì)應(yīng)的處理工具則需要具備較高性能，以及實(shí)時(shí)、可擴(kuò)展等特性。Hadoop主要是為離線數(shù)據(jù)設(shè)計(jì)，并不能夠?qū)υ诰€數(shù)據(jù)流進(jìn)行處理。此外，隨著智能終端的普及，如今互聯(lián)網(wǎng)已經(jīng)漸變?yōu)橐苿?dòng)互聯(lián)網(wǎng)，用戶可以隨時(shí)隨地使用手持終端接入互聯(lián)網(wǎng)。流式數(shù)據(jù)的規(guī)模量逐步增長(zhǎng)，內(nèi)容和服務(wù)的實(shí)時(shí)性愈加重要。這也就對(duì)實(shí)時(shí)計(jì)算能力提出更高的要求，因此分布式的實(shí)時(shí)計(jì)算平臺(tái)Storm應(yīng)運(yùn)而生。系統(tǒng)基于Hadoop平臺(tái)，采用Storm作為實(shí)時(shí)計(jì)算框架，為在線任務(wù)的執(zhí)行提供外部環(huán)境。并且采用KeyValue數(shù)據(jù)庫(kù)HBase作為主要的存儲(chǔ)方式，使得系統(tǒng)在高并發(fā)的情況下仍然能夠穩(wěn)定服務(wù)。此外，用戶可以根據(jù)規(guī)則對(duì)業(yè)務(wù)處理邏輯進(jìn)行自定義，大大提高了用戶使用數(shù)據(jù)的效率[2]。

流處理中的數(shù)據(jù)集是“無邊界”的，基于事件處理，隨著新數(shù)據(jù)的抵達(dá)持續(xù)更新，如果沒有命令停止則一直不間斷執(zhí)行，處理結(jié)果實(shí)時(shí)可用。同一時(shí)間只能處理很少量的數(shù)據(jù)，不同記錄間只維持最少量的狀態(tài)。對(duì)流式數(shù)據(jù)采用批處理方法，采用對(duì)進(jìn)入系統(tǒng)的數(shù)據(jù)進(jìn)行緩沖的機(jī)制，這使得該技術(shù)可以處理巨大體量的傳入數(shù)據(jù)，提高單位時(shí)間內(nèi)的數(shù)據(jù)吞吐率，但新數(shù)據(jù)進(jìn)入緩沖區(qū)要等待緩沖區(qū)已有數(shù)據(jù)清空，這樣會(huì)導(dǎo)致延遲增高。

2.3 對(duì)在線實(shí)時(shí)性交互式數(shù)據(jù)的處理

特點(diǎn)是靈活，直觀便于控制。以DBMS為主，有兩類應(yīng)用：聯(lián)機(jī)事物處理（OLTP）和聯(lián)機(jī)分析處理（OLAP）如：spark系統(tǒng)，Dremel系統(tǒng)。Dremel 是由Google 研究出的“交互式”數(shù)據(jù)分析系統(tǒng)。可以組建成百上千的集群，處理存儲(chǔ)容量為PB（拍字節(jié)，1024TB）級(jí)別的數(shù)據(jù)。Dremel處理一個(gè)數(shù)據(jù)為秒級(jí)，而MapReduce是分鐘級(jí)。2009年Google的研究人員通過對(duì)每日超過30億次搜索請(qǐng)求和網(wǎng)頁(yè)數(shù)據(jù)的挖掘分析，在H1N1流感爆發(fā)幾周就預(yù)測(cè)出流感傳播；通過對(duì)微博、論壇、聊天記錄等網(wǎng)絡(luò)大數(shù)據(jù)的挖掘分析能夠發(fā)現(xiàn)社會(huì)動(dòng)態(tài)，預(yù)警重大和突發(fā)性事件[3]。

2.4 圖形圖像數(shù)據(jù)的處理

圖像數(shù)據(jù)處理技術(shù)基本可以分成兩大類：模擬圖像處理（Analog Image Processing）和數(shù)字圖像處理（Digital Image Processing）。數(shù)字圖像處理是將圖像的模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)并利用計(jì)算機(jī)進(jìn)行處理的過程[4]。其優(yōu)點(diǎn)是處理精度高，重現(xiàn)性能好，靈活性高，效果易于控制，可進(jìn)行復(fù)雜的非線性處理，使用不同的圖像處理軟件能獲得不同的處理效果，但在進(jìn)行復(fù)雜的數(shù)字圖像處理的時(shí)候處理速度會(huì)較慢，數(shù)字圖像的處理對(duì)計(jì)算機(jī)硬件性能的要求較高。數(shù)字圖像處理技術(shù)主要包括：圖像變換、圖像壓縮和編碼、圖像增強(qiáng)和復(fù)原、圖像分割、圖像描述、圖像分類（識(shí)別）。圖像處理技術(shù)的理論和技術(shù)的日趨成熟，對(duì)圖像處理科學(xué)的發(fā)展作用越來越大，影響深遠(yuǎn)，在人工智能，人工模擬，航空航天，軍事，視頻和多媒體系統(tǒng)、生物醫(yī)學(xué)、電子商務(wù)等領(lǐng)域被廣泛應(yīng)用。基于圖數(shù)據(jù)處理系統(tǒng)Apache Hadoop，典型應(yīng)用為中文知識(shí)圖譜，知立方平臺(tái)，zh-ishi.me，知件等。

3 大數(shù)據(jù)挖掘技術(shù)

3.1 數(shù)據(jù)挖掘的意義

數(shù)據(jù)挖掘(Data Mining)是從巨大體量的數(shù)據(jù)中通過數(shù)學(xué)算法搜索隱藏在其中的有價(jià)值的信息的過程，這些數(shù)據(jù)可能包含不完全、有噪聲、模糊、隨機(jī)等屬性。根據(jù)信息存儲(chǔ)格式，用于挖掘的對(duì)象有關(guān)系數(shù)據(jù)庫(kù)、面向?qū)ο髷?shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)、文本數(shù)據(jù)源、多媒體數(shù)據(jù)庫(kù)、空間數(shù)據(jù)庫(kù)、時(shí)態(tài)數(shù)據(jù)庫(kù)、異質(zhì)數(shù)據(jù)庫(kù)以及Internet等[5]。

3.2 大數(shù)據(jù)挖掘技術(shù)

大數(shù)據(jù)挖掘技術(shù)主要有這幾項(xiàng)：一、有效的大數(shù)據(jù)預(yù)處理技術(shù)；二、非向量數(shù)據(jù)挖掘技術(shù)；三、分布式大數(shù)據(jù)挖掘技術(shù)。

4 結(jié)束語(yǔ)

總之，計(jì)算機(jī)信息處理技術(shù)的日益發(fā)展為人們的生產(chǎn)生活帶來了極大的便利，更快、更高效，精度更高的計(jì)算機(jī)信息處理技術(shù)也在眾多科研人員的努力下快速發(fā)展。有追求就會(huì)有突破，只有不斷滿足社會(huì)大眾生活需求，才能使計(jì)算機(jī)處理技術(shù)高效快速發(fā)展，這是機(jī)遇，亦是挑戰(zhàn)。不斷加強(qiáng)計(jì)算機(jī)信息處理技術(shù)方面的研究，讓互聯(lián)網(wǎng)數(shù)據(jù)為人民大眾的福祉牟利，為推動(dòng)我國(guó)現(xiàn)代化建設(shè)牟利。

[1]郭若男.基于Hadoop平臺(tái)的在線數(shù)據(jù)處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京郵電大學(xué)碩士論文，2015（08）：1-70.

[2]李建中，劉顯敏.大數(shù)據(jù)的一個(gè)重要方面：數(shù)據(jù)可用性[J].計(jì)算機(jī)研究與發(fā)展，2013(05)：1147-1162.

[3]李紅俊，韓冀皖.數(shù)字圖像處理技術(shù)及其應(yīng)用[J].計(jì)算機(jī)測(cè)量與控制，2002(10)：620-622.

[4]金育嬋.數(shù)據(jù)挖掘技術(shù)中關(guān)于關(guān)聯(lián)規(guī)則算法的研究[J].科技傳播，2011(06)：223-224，226.